Проект: "Рынок заведений общественного питания Москвы"

Загрузка и обзор данных

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
from plotly import graph_objects as go
import numpy as np
import folium
from folium import Map, Choropleth, Marker
from folium.plugins import MarkerCluster

data=pd.read_csv('/datasets/moscow_places.csv')

data.head()

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0

data.columns

Index(['name', 'category', 'address', 'district', 'hours', 'lat', 'lng',
       'rating', 'price', 'avg_bill', 'middle_avg_bill', 'middle_coffee_cup',
       'chain', 'seats'],
      dtype='object')

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB

data['name'].nunique()

5614

data['category'].nunique()

8

data['district'].nunique()

9

pd.DataFrame(round(data.isna().mean()*100,)
            ).style.background_gradient('coolwarm')

	0
name	0.000000
category	0.000000
address	0.000000
district	0.000000
hours	6.000000
lat	0.000000
lng	0.000000
rating	0.000000
price	61.000000
avg_bill	55.000000
middle_avg_bill	63.000000
middle_coffee_cup	94.000000
chain	0.000000
seats	43.000000

data.duplicated().sum()

0

Вывод: В целом данные коректы. В таблице присутствуют 5614 заведений, 8 категорий и 9 районов. Наименования столбцов удобны для восприятия, а данные в стобцах привидены к соответствующим типам. Однако для дальнейшего анализа и добавления столбцов будет необходимо изменить некоторые типы данных. Обнаружено много пропусков. Это связано с тем, что информация, могла быть добавлена пользователями или найдена в общедоступных источниках. Мы не можем их заполнить корректно, но и удалить их нельзя т.к. это сильно исказит анализ. Оставим пропуски в таблице. Явных дубликатов необнаружено.

Предобработка данных

data['name'] = data['name'].astype(str)
data['name'] = data['name'].str.lower()

to_replace = (
    ('ё','е'),
    ('.',' '),
    ('-',' '),
    ('  ',' ')
)

for old, new in to_replace:
    if old == '.':
        data['name'] = data['name'].str.replace(old, new, regex=True)
    else:
        data['name'] = data['name'].str.replace(old, new)


list(data['name'].sort_values(ascending=True).unique())

['#кешбэккафе',
 '+39 pizzeria mozzarella bar',
 '1 этаж',
 '1 я креветочная',
 '10 идеальных пицц',
 '1001 ночь',
 '100ловая',
 '100лоффка',
 '13',
 '13 chef doner',
 '15 kitchen+bar',
 '15 й шар',
 '16 июня',
 '16 тонн',
 '18 грамм',
 '1901 comfort food zone',
 '1у',
 '2 й этаж',
 '2 типа',
 '2046',
 '21 век',
 '22 акра кофе&хлеб',
 '2u ту ю',
 '3 ступени',
 '351 bar',
 '4 2 bar',
 '4 сезона',
 '4/1 restaurant',
 '42 coffee shop',
 '47',
 '495',
 '4friends coffee',
 '4tuna cafe&grill',
 '5 stars coffee',
 '55 709201, 37 392257',
 '6 am bread kitchen',
 '6 рукопожатий',
 '69 раков',
 '7 сэндвичей',
 '7 элемент',
 '7/12',
 '8 oz',
 '8 вафель',
 '8 зерен',
 '8 пончиков',
 '800°с contemporary steak',
 '8bit pizza',
 '9 bar coffe',
 '9 bar coffee',
 '9 зерен',
 'a cafe',
 'abc coffee roasters',
 'acai family',
 'accent',
 "adam's chicken",
 'adria mare',
 'ahava',
 'air coffee',
 'al halal',
 'al33 пиццерия бар боттега',
 'all day',
 'alma',
 'alternative coffee',
 'aly’s poke',
 'amande',
 'amarena',
 'americano black coffee & food',
 'amg cafe',
 'ami chaise',
 'amore grande',
 'amsterdam bar',
 'andy coffee',
 'angel cakes city',
 'angel cakes patriki',
 'ann joy',
 'anri bakery',
 'antalya',
 'anvil cafe',
 'aq kitchen',
 'aquarium',
 'arabix',
 'arch 1908',
 'archie',
 'arcus bar and food',
 'armibaker',
 'aroma',
 'art & horses',
 'art coffee club',
 'art de vie',
 'art rco',
 'art буффет',
 'arzon',
 'arzon food',
 'asia gourmet',
 'asiatique kitchen x bar',
 'asparago',
 'assa',
 'atelier de tartelettes',
 'atilla',
 'atlantica seafood',
 'autostory',
 'ava',
 'avenue 32',
 'avgust рыбный ресторан',
 'avkvadrate',
 'avocado point',
 'avoday coffee and tea',
 'b r b скоровернусь',
 'b&b bradu bar',
 'b&d cafe',
 'b1 coffee&goodies',
 'ba dinh',
 'baba napoli',
 'babacha',
 'baci abbracci',
 'baer coffee',
 'bagetti',
 'bake&coffee',
 'bakery',
 'bakery mart',
 'balabowl',
 'balance',
 'balanceat',
 'baleno',
 'bali lounge',
 'bando',
 'bao+noodles',
 'bar bq cafe',
 'bar park 15',
 'bar zero time',
 'barbacoa',
 'barmalini',
 'barra cholo',
 'bassg',
 'baza',
 'bb grill',
 'bb&burgers',
 'bbcafe',
 'bbq kitchen',
 'bbq kitchen 2 0',
 'bbq point',
 'beauty pub',
 'beautyfood cafe',
 'beer & brut',
 'beersenev bar',
 'bellissima',
 'benedict',
 'berenj',
 'bericoni',
 'berry fruit vitamin & fresh bar',
 'berta',
 'bespoke cafe',
 'between',
 'beyoglu shef doner waffle',
 'beze зиларт',
 'beze ривер парк',
 'bfl’s',
 'bierлога',
 'big black cup coffee',
 'big city',
 "big jim's pub",
 'bigсуши',
 'billy mcdaniel',
 'bistro ostro',
 'bitter drop',
 'bizi',
 'bizone lounge итальянская кухня',
 'bklyn: brooklyn pizza pie',
 'black & white lounge',
 'black star burger',
 'black stone',
 'black thai',
 'black молоко',
 'blanc',
 'blau',
 'blinicoffee',
 'blink seafood',
 'blizz cafe&bar',
 'bloom coffee',
 'bloom n brew',
 'bloom n brew baum',
 'bloom n brew factoria',
 'bluefin sushi nikkei & seafood',
 'bm',
 'bo bo lounge',
 'bo food',
 'bo&ga',
 'bob’s your uncle',
 'bocconcino',
 'bodrero',
 'bodro coffee',
 'bollo',
 'bollywood',
 'bolognetta osteria&pizzeria',
 'bon lavash',
 'bonjour',
 'bonne cantine',
 'booblik',
 'bora bora',
 'boss doner',
 'boston seafood & bar',
 'botteganova organic',
 'boulangerie',
 'bowl family',
 'bowlme',
 'bowlroom',
 'bổ',
 'bradu bar',
 'brancho',
 'brasserie lambic',
 'brasserie stout',
 'bravos',
 'bread and butter',
 'bread head',
 'bread пит',
 'breadville',
 'breakfast cafe',
 'breakfast hunters',
 'breakfast so tasty',
 'brera',
 'brick',
 'bright israeli grill',
 'brisket bbq',
 'brix',
 'bro bar',
 'bro&n',
 'brodo bar & kitchen',
 'brooklyn cafe',
 'brooklyn coffee',
 'brooms',
 'bros burritos',
 'brownie mama',
 'brrrew!',
 'brunch cafe',
 'bruxx',
 'buba by sumosan',
 'buba mara',
 'bubbasheri',
 'buddy bar',
 'bufet',
 'buffet',
 'bull meat',
 'bulldog bar',
 'bulldog coffee',
 'bunker pub beer',
 'buon',
 'burger club',
 'burger heroes',
 'burger shaw',
 'burgers and crabs',
 'but first coffee',
 'bổ',
 "c'cups",
 'café sicilia',
 'cafe',
 'cafe & пельменная',
 'cafe 13',
 'cafe 55',
 'cafe aprile',
 'cafe imperial',
 'cafe inn',
 'cafe pantheon',
 'cafe racer',
 'cafe sunset',
 'cafe the slim',
 'cafe vecher',
 'cafe&bar',
 'cafe13',
 'cafeterius simple',
 'caffa',
 'caffe diemm',
 'caffe galliano',
 "caffe mandy's",
 'caffeterria',
 'caffetteria',
 'cafio',
 'café 1892',
 'café arizona',
 'café by interoptika',
 'café de paris',
 "cake o'clock",
 'cake time',
 'calma!',
 'camera obscura',
 'camorra pizza e birra',
 'campus',
 'canteen',
 'cantina city',
 'cantina city free flow cafe',
 'cape',
 'capito',
 'capo pizza & pasta',
 'captain gyros',
 'cargo cafe',
 'carrots and beans',
 'casa del caffe',
 'casa di famiglia',
 'casa leone',
 'caspian',
 'cassette cafe',
 'catch',
 'catcher',
 'cedro albero',
 'cezve coffee',
 'cha cha',
 'chanh',
 'chat noir',
 'cheesemania',
 'chef cat',
 'chef express',
 'chekhoff cafe & bar',
 'chicha san chen',
 'chicken father',
 'chicken mania',
 'chicken planet',
 'chicko',
 'chiken king shawarma',
 'china club',
 'china life',
 'china palace',
 'chindi kitchen',
 'chinese market',
 'chips',
 "chips'n'kale",
 'chou do',
 'chowder&pie',
 'christian',
 'christopher co',
 'cinnabon',
 'city friends',
 'city life',
 'city lunch',
 'city space bar & restaurant',
 'clean',
 'clever coffee',
 'clubpizza',
 'co/co coffee&cozy',
 'coba',
 'cobalt coffee',
 'cochonnet',
 'cof кофе',
 'cofair',
 'cofan',
 'cofe fest',
 'cofefest',
 'coff home',
 'coffee',
 'coffee 42',
 'coffee and the city',
 'coffee bay',
 'coffee bean',
 'coffee bistro',
 'coffee boy',
 'coffee break',
 'coffee brothers',
 'coffee buro',
 'coffee combo',
 'coffee drop',
 'coffee first',
 'coffee fm',
 'coffee frisbee',
 'coffee garden',
 'coffee gate',
 'coffee guru',
 'coffee in',
 'coffee inn',
 'coffee itself',
 'coffee joy',
 'coffee king',
 'coffee like',
 'coffee me',
 'coffee miru',
 'coffee moose',
 'coffee music',
 'coffee party',
 'coffee place',
 'coffee point',
 'coffee pulse',
 'coffee religion',
 'coffee sova',
 'coffee supreme',
 'coffee to go',
 'coffee vibe',
 'coffee way',
 'coffee week',
 'coffee пирапора',
 'coffee&croissant',
 'coffee13',
 'coffee_molka',
 'coffee_spark',
 "coffeebar'17",
 'coffeebara',
 'coffeebrain',
 'coffeefox',
 'coffeehub',
 'coffeeist',
 'coffeeizm',
 "coffeekaldi's",
 'coffeelovers',
 'coffeepie',
 'coffeeshop company',
 'coffeeshots',
 'coffeesphere',
 'coffeeteabar',
 'coffeewinner',
 'coffeewins',
 'coffeewood',
 'coffeeтут',
 'coffelab',
 'coffeplet',
 'coffezdes',
 'coffprice',
 'coffta',
 'cofix',
 'color хот дог',
 'colorcoffee',
 'come a casa',
 'comme a paris',
 'community',
 'compass coffee&bakery',
 'conversation',
 "cook'kareku",
 'corner cafe & kitchen',
 'corner cafe&kitchen',
 'corner coffee roasters',
 'correas',
 'corso coffee',
 'cosmic coffee',
 'cosmic latte',
 'cosmos lounge',
 'cotto',
 'country coffee',
 "cousin's coffee",
 'craft buffet',
 'craftburgers',
 'crazy fish',
 'crazy kitch brothers',
 'crazy noodle',
 'cream soda',
 'crema',
 'creperie de paris',
 'crisper',
 'crop coffee & smoothie bar',
 'crosseat',
 'crosta',
 'crystal cafe made in georgia',
 'cubby',
 'cultura coffee',
 'cup & chin',
 'cups&hugs',
 'curry',
 'cvc китайская кухня',
 'cyber saray',
 'cépage kitchen & bar',
 'dada',
 'daft rabbit pub',
 'dai viet',
 'damil',
 'danell’o pizza',
 "dark patrick's pub",
 'david b cafe',
 'dcs',
 'de bassus',
 'de village',
 'deep fried friends',
 'deli by shell',
 'deli2go',
 'delimarche',
 'dellos corporate service',
 'delonixcafe',
 'demi coffee shop',
 'demokrat',
 'dereza',
 'deti lapshi',
 'devino',
 'di villaggio',
 'dimsum & co',
 'dinnertime',
 'dip with me',
 'dirty dance',
 'district',
 'dizengof99',
 'do bro coffee',
 'dobryakova bakery',
 'dolce & gamarjoba',
 'dolce far niente',
 'doner & tantuni',
 'doner 24',
 'doner mania',
 'doner one',
 'doner pro',
 'donna maria',
 'dopamine salad shop',
 'dormouse',
 'dormouse coffee shop',
 'double axe',
 'double duck',
 'dr coffee',
 'dr живаго',
 'dracoffeestar',
 'dragon bubble tea',
 'dragon mixology bar',
 'drama cafe',
 'dream bar',
 'dream food',
 'drink eat travel',
 'drive',
 'drive cafe',
 'drive café',
 'dubai meal',
 'duckit',
 'dudu',
 "dunkin' donuts",
 'dон хулио',
 'e d a ',
 'e s coffee',
 'eastoria',
 "eastwood's",
 'easy brix',
 'easy food',
 'easy pizza',
 'eat & talk',
 'eat market алкон',
 'eat street',
 'eat&enjoy',
 'eat&play',
 'eataly',
 'eateria паста&пицца',
 'ecle',
 'eco шаурма',
 'eda premium',
 'eggsellent',
 'ekspress kafe',
 'ela',
 'element coffee',
 'elephantkids',
 'eleven coffee',
 'encore cafe',
 'entree',
 'erwin рекамореокеан',
 'eshak',
 'eshka',
 'espressium',
 'espresso bar',
 'espresso patronum',
 'espressoroom',
 'essthetik',
 'estetica',
 'estetica cafe',
 'etmix',
 'eva',
 'everest coffee',
 'ex: libris',
 'express',
 'express кафе',
 'extra virgin',
 'eywa art',
 'fabbrica pasta & panini',
 'falafel bro',
 'falko pizza',
 'family bakery',
 'family cafe',
 'family cafe mayak',
 'family club',
 'family ресто бар',
 'fan cafe',
 'fan zone',
 'farang',
 'farn house',
 'farro pasta bar',
 'farш',
 'fast soup',
 'fast шашлык',
 'fastshashlik',
 'fayz',
 'feifan',
 'festa & тесто',
 'festa&тесто',
 'fibbee',
 'fibo pasta & ravioli',
 'fika',
 'financier',
 'finch',
 'fine coffee bar',
 'fire',
 'fire burgers',
 'fire lake',
 'first&only',
 'fish bistro',
 'fish культура',
 'fishbazaar',
 'fishman',
 'fishop',
 'fit appėtit',
 'flaner',
 'flashburger',
 'flat white',
 'fleur',
 'flip',
 'floo',
 'florentini',
 'florentini city cafe',
 'fluffy fluffy',
 'fly coffee',
 'foil',
 'food embassy',
 'food galaxy',
 'food low cost sushi',
 'food market красная роза',
 'food story',
 'food street рассвет',
 'food way',
 'foodband ru',
 'foodkido',
 'foodmoscowcoffee',
 'foodpoint',
 'foodstep',
 'foody foody',
 'for by friends',
 'for you',
 'for you coffee lab',
 'for your kids',
 'forest lounge',
 'fos',
 'fox',
 'foxler art & lounge',
 'frame wine & bar',
 'frank by баста',
 'frankie pizza',
 'free & со',
 'free&co',
 'freedom bar',
 'french bakery',
 'french bakery sedelice',
 'fresh',
 'fresh cafe',
 'fresh coffee bar',
 'fresh doner',
 'fresh food',
 'fresh for you',
 'fresh for you & cofe',
 'fresh шаурма',
 'fresita pizza',
 'freya',
 'friends',
 'friends & family',
 'friends forever',
 'friends forever botanica',
 'friends social club',
 'from berlin',
 'fruits and veges',
 'fruitsberry',
 'fry’d',
 'fun ny duck',
 'funky lab',
 'g bakery8',
 'g&m',
 "g'астроном",
 'gabs&co',
 'gagawa',
 'garage',
 'garage café',
 'garden cafe',
 'garret',
 'garum',
 'gastro room',
 'gastrobar',
 'gastrobistro zola',
 "gayane's",
 'gelati',
 'gem',
 'genso sushi',
 'gentle',
 'gentleman coffee',
 'georgia хинкали',
 'georgian garden',
 'georgian house',
 'get and fly',
 'gimme coffee',
 'ginger cafe&fitnessbar',
 'glastonberry',
 'gloria pizza',
 'glowsubs',
 'go dragons',
 'go! кофе',
 'gold',
 'gold 312',
 'golden coffee',
 'goncharov',
 'goodbro kitchen',
 'goodfood',
 'gourmet lunch',
 "grab'n go",
 'grace bistro',
 'grace pizza',
 'grand cafe',
 'grand cru',
 'grand family',
 'grano',
 'grao de cafe',
 'grape',
 'grape wine & kitchen',
 'grapefruit',
 'great room bar',
 'greek street',
 'green park sokolniki',
 'green pub',
 'green v a i ',
 'greengo bar зеленая лавка',
 'grey',
 'grill bar crafted',
 'grinvich coffee room',
 'gross coffee',
 'gt coffee',
 'guests in the city',
 "gump's",
 'guns & bears',
 'gurmanoff',
 'guru',
 'gustolife',
 'gutai',
 'gvido gelato',
 'gøg',
 'habit',
 'hagao',
 'halal',
 'halal food',
 'han cook',
 'hands asian bistro',
 'hang pho',
 'hanoi',
 'hanoi food&drinks',
 'happy cup club',
 'harat’s pub',
 'hard rock cafe',
 'harvest cocktail bar',
 'hatimaki',
 'hayot',
 'heavy еда',
 'hello kitty',
 'hellopapaya',
 'helltower57',
 'help driver',
 'hills',
 'hite',
 'ho cho pho',
 'ho chu pho',
 'holder coffee',
 'holi yoga & cafe',
 'holy berry',
 'home',
 'homies cafe',
 'hong kong',
 'hop gun bar',
 'horendin',
 'hot dog bulldog',
 'house mafia',
 'howard loves craft',
 'hq! coffee',
 'hudson deli',
 'humpty dumpty',
 'i chef',
 'i chef бистро',
 'i coffee',
 'i coffee me',
 'i cup',
 'i do the kitchen v 2',
 'i like wine',
 'i like wine 2 0',
 'i love cake',
 'i need doner',
 'i tal corner',
 'ibis kitchen',
 'ice embassy',
 'id cafe',
 'ikigai',
 'il barolo',
 'il borgo',
 'il forno',
 'il letterato',
 'il mio',
 'il pittore',
 'il pizzaiolo',
 'il tocco',
 'il tomato',
 'il патио',
 'illy',
 'impress',
 'introvert place',
 'ipho cafe',
 'ippo',
 'iq coffee',
 'iq кофе',
 'istanbul',
 'istanbul kebab',
 'istanbull house',
 "it's сот  кофейня",
 "it's сот кофейня",
 'iteam coffee',
 'ivoire café',
 'izakaya',
 'j&j cafe moscow',
 "j'pan",
 'ja jo',
 'jamamai asian kitchen & bar',
 'janis cafe',
 'japcake',
 'jaya',
 'jaz jiz',
 'jedi coon',
 "jeffrey's",
 "jeffrey's coffee",
 "jeffrey's coffeeshop",
 "jeffrey's кофе и сидр",
 'jeffrey’s coffeeshop',
 'jinju',
 'joe pizza',
 "john gilroy's pub",
 'johnny lee pizza & halal food',
 'jolene',
 'joon',
 'julibon cafe',
 'jungle brothers',
 'just',
 'just coffee',
 'k town',
 'k town korean bbq',
 'kafin',
 'kaif provenance',
 'kalabasa',
 'kano',
 'karavan',
 'karma coffee',
 'kathrin’s bakery',
 'kavabanga food',
 'kaya coffee shop',
 'kebab time',
 'kebabs',
 'kenza',
 'khait food',
 'kikidze',
 'killfish',
 'kimpab',
 'kinohome',
 'kiosk 11',
 'kiosk 1936',
 'kitchen',
 'kitchen for you',
 'kitsune',
 'kle_do cafe',
 'knockout coffee',
 'koi nori',
 'koji',
 'kojiro',
 'kollektiv',
 'kool i cha',
 'korean chick',
 'koreana light',
 'kraskovka',
 'krispy kreme',
 'ku: рамен изакая бар',
 'kulinari',
 'kuma to sakana',
 'kurkuma',
 'kurnik',
 'kuzina',
 'kuzu kebab',
 'kvartal',
 'kvartal green garden',
 'l cafe',
 'la bellezza',
 'la bulka',
 'la cafe',
 'la capitale',
 'la casa',
 'la maroush',
 'la mortazza',
 'la pausa',
 'la pizza bomba',
 'la provincia',
 'la taverna',
 'la veranda',
 'la verona',
 'la vie café',
 'la villa',
 'la вилка',
 'lacabana africana',
 'laffa laffa',
 'lalaland',
 'lamadjo',
 'lamm’s',
 'lancheria artplay',
 'langet',
 'lao lee плешка',
 'larionov',
 'larry&krabs',
 'lars vegans',
 'laserland кафе',
 'latteria1963',
 'lav cafe',
 'lav шашлык',
 'lava pizza',
 'lavanda',
 'lavash',
 'lavazza',
 'lavaш',
 'lavburger',
 'lawanda store',
 'lay bay',
 'layerz bakery',
 'le chaton gris',
 'le petit paris',
 'le procope du matin',
 'le круассан',
 'leffe cafe',
 'lele kitchen & wine',
 'leocoffee',
 'leon',
 'les',
 "let's rock",
 'levant/شام',
 'levin bakehouse',
 'life food',
 'lift coffee & grill',
 'like burger&pizzetta',
 'like cafe',
 'lino',
 'lion',
 'lisobon',
 'little panda cafe',
 'littles kids play cafe',
 'living room',
 'lobby',
 'local',
 'local kitchen',
 'locals',
 'loft 45',
 'loft cafe академия',
 'logovo',
 'lollo',
 'loo chi',
 'lori bar',
 'loro',
 'lostbar',
 'louis fusion',
 'lounge bar',
 'love lavash',
 'love&eat',
 'lovers',
 'lucky bakery',
 'lucky cheese pizza',
 'lucky eye',
 'lucky eye ближневосточной lounge bar',
 'lucky izakaya bar',
 'lumicino',
 'lunch',
 'lunch point',
 'lunch&box',
 'lunchcity',
 'lure oysterbar',
 "lusy's pizza",
 'lutom',
 'lyanson’s coffee',
 'ma chere bistro',
 'mac & cheese',
 'macadamia',
 'mad season',
 'mad wine bar',
 'madam yen',
 'madison restaurant & club',
 'maestrello',
 'mafe',
 'magaria',
 'magic coffee',
 'main food',
 'mainfood',
 'mamamai',
 'mamma mia',
 'man gal',
 'mandarin combustible',
 'mangal house',
 'mango gril',
 "manny's burger",
 'mansard restaurant and hall',
 'manufaktura',
 'margarita',
 'marie',
 'marketplace',
 'marks choice',
 'marmi',
 'maroon',
 'marrakesh',
 'martinez',
 'marx urban grill',
 'mashup',
 'masseter kitchen&bar',
 'mastersuit cafe',
 'matcha bar',
 'matreshka',
 'max bakery',
 ...]

data[data.duplicated(subset=['name','lat','lng'])]

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
1511	more poke	ресторан	Москва, Волоколамское шоссе, 11, стр. 2	Северный административный округ	пн-чт 09:00–18:00; пт,сб 09:00–21:00; вс 09:00...	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	1	188.0

data=data.drop(index=1511).reset_index()

data['street'] = data['address'].str.split(', ').apply(lambda x: x[1])

data['address'].str.split(', ').str[1]

data['hours']=data['hours'].astype(str)

data['is_24/7'] = data['hours'].str.contains('ежедневно, круглосуточно')

data['chain']=data['chain'].astype(str)
data['chain']=data['chain'].str.replace('0', 'несетевое').str.replace('1', 'сетевое')

Вывод: В ходе предобработки столбца с названием, и дальнейшем поиском в нем неявных дубликатов, удалось найти одну дублирующуюся строчку в датасете, ее удаляем. Создан новый столбец с круглосуточной работой заведения и столбец с названием улицы. Столбец с обозначение сетевых мест переименован для удобства.

Анализ данных

Общие данные

Категории

data['category'].unique()

array(['кафе', 'ресторан', 'кофейня', 'пиццерия', 'бар,паб',
       'быстрое питание', 'булочная', 'столовая'], dtype=object)

category_cnt=data.groupby('category')['index'].count().reset_index()
category_cnt = category_cnt.sort_values(by='index',ascending=False)
category_cnt

	category	index
3	кафе	2378
6	ресторан	2042
4	кофейня	1413
0	бар,паб	765
5	пиццерия	633
2	быстрое питание	603
7	столовая	315
1	булочная	256

Больше всего в Москве кафе, их 2378, далее идут рестораны, со значением 2042. Третье место занимают кофейни - 1413. Остальных категорий заметно меньше.

plt.figure(figsize = (14,6))

ax = sns.barplot(x='category', y='index', data=category_cnt, estimator=sum)

for p in ax.patches:
    ax.annotate(format(p.get_height(), '.1f'), 
                (p.get_x() + p.get_width() / 2., p.get_height()), 
                ha = 'center', va = 'center', 
                xytext = (0, 9), 
                textcoords = 'offset points')

ax.set_xticklabels(ax.get_xticklabels(),rotation = 45)
ax.set_title('Количество объектов общественного питания по категориям')
ax.set_xlabel('Категории')
ax.set_ylabel('Количество')

plt.show()

Абсолютные лидеры по количеству заведений это: кафе, рестораны и кофейни. Примерно на одном среднем уровне идут бары-пабы, быстрое питание и пиццерии. Меньше всего булочных и столовых.

Посадочные места

data['seats'].describe()

count    4794.000000
mean      108.405090
std       122.840831
min         0.000000
25%        40.000000
50%        75.000000
75%       140.000000
max      1288.000000
Name: seats, dtype: float64

Максимальное значение посадочных мест - 1288. Похоже на ошибку в данных, проверим на выбросы.

plt.figure(figsize = (10,6))
ax = sns.boxplot(x='category', y='seats', data=data, showfliers=False)

ax.set_xticklabels(ax.get_xticklabels(),rotation = 45)
ax.set_title('Среднее количество посадочных мест в заведениях по категориям')
ax.set_xlabel('Категории')
ax.set_ylabel('Ср. количество')
plt.show()

По графику видно, что количество мест в заведении редко больше 300.

arr=data['seats'].dropna()
print(np.percentile(arr, [90, 95, 99]))

[240. 307. 625.]

По процентилям видно, что не более 10% заведений имеют количество мест больше 240, 5% не более 307 и 1% не более 625

data=data.query('(seats<=625) or (seats.isnull())')

Убирем заведения с числом мест более 625,так как их можно считать выбросами. Они не повлияют на исследование.

seats_cnt=data.groupby('category')['seats'].mean().sort_values().reset_index()
round(seats_cnt,2)

	category	seats
0	булочная	89.39
1	пиццерия	91.69
2	кафе	92.17
3	столовая	93.00
4	быстрое питание	96.19
5	кофейня	105.36
6	бар,паб	112.31
7	ресторан	116.93

sns.set_style("ticks",{'axes.grid' : True})
plt.figure(figsize = (10,6))
ax = sns.barplot(x='category', y='seats', data=seats_cnt)

ax.set_xticklabels(ax.get_xticklabels(),rotation = 45, )
ax.set_title('Среднее количество посадочных мест в заведениях по категориям')
ax.set_xlabel('Категории')
ax.set_ylabel('Ср. количество')
plt.show()

Больше всего посадочных мест в ресторанах, барах и кофейнях. Количество мест в этих заведениях в среднем более 100. У остальных категорий примерно одинаковое количество мест, около 90.

Сетевые и несетевые заведения

seats = data.groupby('chain')['index'].count().reset_index()
seats.rename(columns = {'chain':'тип','index':'количество'})

	тип	количество
0	несетевое	5182
1	сетевое	3193

Сетевых заведений 5182, а несетевых 3193

plt.pie(seats['index'], autopct='%1.0f%%', colors = ['pink', 'steelblue'])
plt.legend(labels = seats['chain'])
plt.show()

В процентном соотношении несетевых заведений 60% а сетевых 40%. Несетевых больше на 20%

category_cnt_chain = data.pivot_table(index='category', values='index',
                                      columns='chain',aggfunc='count').reset_index()
category_cnt_chain.columns.name=''
category_cnt_chain.sort_values(by='несетевое',ascending=False)

	category	несетевое	сетевое
3	кафе	1593	777
6	ресторан	1310	725
4	кофейня	691	717
0	бар,паб	589	169
2	быстрое питание	371	231
5	пиццерия	303	329
7	столовая	226	88
1	булочная	99	157

data['cnt'] = 1
#добавляем столбец - счетчик для удобства подсчета в графиках

sns.set_style("ticks",{'axes.grid' : True})
plt.figure(figsize = (14,6))
ax = sns.barplot(x='category', y='cnt', data=data, hue='chain', estimator=sum,
                palette='Set2')

ax.set_xticklabels(ax.get_xticklabels(),rotation = 45)
ax.set_title('Количество сетевых и несетевых заведений по категориям')
ax.set_xlabel('Категории')
ax.set_ylabel('Количество')
ax.legend(title='Тип заведения')
plt.show()

Несетевых ресторанов, кафе, баров и столовых почти в два раза больше чем сетевых. Это связано с индивидуальностью заведений. Такие заведения часто сильно зависят от определенных критериев или условий, что трудно было бы поставить на конвеер. Пиццерий же больше сетевых. Узкий формат специализации, где можно наладить рабочий процесс одинаково везде позволяют сделать упор на несколько заведений. Такая же ситуация и с булочными и кофейнями. Что касается ресторанов быстрого питания: довольно много закусочных одиночек, по типу шавермы, поэтому преобладают несетевые заведения.

Топ 15 сетевых заведений

data['address'].str.split(', ').apply(lambda x: x[0]).unique()

array(['Москва'], dtype=object)

Все адреса в Москве

top_15_chain=data.query('chain == "сетевое"').groupby(['name','category'])['index'].nunique() \
.sort_values(ascending=False).reset_index().head(15)
top_15_chain=top_15_chain.rename(columns = {'name':'название','index':'количество', 'category':'категория'})
top_15_chain

	название	категория	количество
0	шоколадница	кофейня	117
1	домино'с пицца	пиццерия	76
2	додо пицца	пиццерия	74
3	яндекс лавка	ресторан	71
4	one price coffee	кофейня	70
5	cofix	кофейня	65
6	prime	ресторан	49
7	кофепорт	кофейня	42
8	кулинарная лавка братьев караваевых	кафе	39
9	теремок	ресторан	36
10	cofefest	кофейня	31
11	чайхана	кафе	26
12	буханка	булочная	25
13	drive café	кафе	24
14	кофемания	кофейня	22

Самые популярные сети: Шоколадница (118 заведение), доминос пицца(76 заведение), додо пицца(74 заведение), яндекс лавка (71) и one price coffe(70 заведение).

sns.set_style("ticks",{'axes.grid' : True})
plt.figure(figsize = (14,6))
ax = sns.barplot(x='название', y='количество', data=top_15_chain, estimator=sum)

ax.set_xticklabels(ax.get_xticklabels(),rotation = 45)
ax.set_title('График популярности сетевых заведений')
ax.set_xlabel('Сетевые заведения')
ax.set_ylabel('Количество')
plt.show()

Шоколадница абсолютный рекордсмен среди сетевых заведений кафе. Далее идут 2 не менее больших сети конкурента пиццерий додо и доминос. Далее идет яндекс лавка. Также стоит отметить большую сеть кофеен one price coffe и его конкурента coffix. Все эти сети имеют более 60-ти заведений. Остальные из топ 15 имеют около 40 или менее.

fig = px.bar(top_15_chain, x='название', y='количество',
            color='категория')
fig.show()

По категориям можно сказать, что самые большое количество заведений из сетевых у кофеен.

Данные по районам

Распределение заведений по районам

data_renamed=data.copy()
data_renamed['district'] = data_renamed['district'].str.replace('административный округ', '')
#Продублируем таблицу и переименуем столбец для удобства визуализации, сохранив оригинальные данные в data

cnt_cat_distr=data_renamed.groupby(['district','category'])['cnt'].sum()
cnt_cat_distr=cnt_cat_distr.reset_index().sort_values(by='cnt',ascending=False)
cnt_cat_distr

	district	category	cnt
46	Центральный	ресторан	670
43	Центральный	кафе	464
44	Центральный	кофейня	428
40	Центральный	бар,паб	364
51	Юго-Восточный	кафе	282
...	...	...	...
32	Северо-Западный	бар,паб	23
39	Северо-Западный	столовая	18
63	Юго-Западный	столовая	17
49	Юго-Восточный	булочная	13
33	Северо-Западный	булочная	12

72 rows × 3 columns

category_cnt_district = data_renamed.pivot_table(index='category', values='cnt',
                                      columns='district',aggfunc='sum').reset_index()
category_cnt_district.columns.name=''
category_cnt_district

	category	Восточный	Западный	Северный	Северо-Восточный	Северо-Западный	Центральный	Юго-Восточный	Юго-Западный	Южный
0	бар,паб	50	46	68	63	23	364	38	38	68
1	булочная	25	37	39	28	12	50	13	27	25
2	быстрое питание	70	62	58	82	30	87	67	61	85
3	кафе	270	234	235	269	115	464	282	237	264
4	кофейня	104	146	193	159	62	428	89	96	131
5	пиццерия	72	70	77	68	40	113	55	64	73
6	ресторан	160	213	188	182	109	670	145	167	201
7	столовая	40	23	41	40	18	66	25	17	44

Распределение по районам по категориям

plt.figure(figsize = (14,7))
ax = sns.barplot(x='district', y='cnt', data=cnt_cat_distr, hue='category', estimator=sum,
                palette='Set2')

ax.set_xticklabels(ax.get_xticklabels(),rotation = 45)
ax.set_title('Количество заведений по районам и категориям')
ax.set_xlabel('Районы')
ax.set_ylabel('Количество')
ax.legend(title='Тип заведения')
plt.show()

В распределении по районам видно, что в центральном районе наибольшее количество заведений, в особенности ресторанов, кафе, кофеен и баров. В остальных районах кафе и ресторанов. Также большое количество кофеен в северном, северо-восточном, южном и западном районах.

Рейтинг заведений

rating=data.pivot_table(index='category',values='rating',aggfunc='mean').sort_values(by='rating',ascending=False).reset_index()
rating=rating.rename(columns = {'category':'название','rating':'рейтинг'})
rating = round(rating,2)

Самые высокие средние оценки у баров, пабов - 4.39, когда самые низкие у заведений быстрого питания - 4.05.

def show_values(axs, orient="v", space=.01):
    def _single(ax):
        if orient == "v":
            for p in ax.patches:
                _x = p.get_x() + p.get_width() / 2
                _y = p.get_y() + p.get_height() + (p.get_height()*0.01)
                value = '{:.1f}'.format(p.get_height())
                ax.text(_x, _y, value, ha="center") 
        elif orient == "h":
            for p in ax.patches:
                _x = p.get_x() + p.get_width() + float(space)
                _y = p.get_y() + p.get_height() - (p.get_height()*0.5)
                value = '{:.1f}'.format(p.get_width())
                ax.text(_x, _y, value, ha="left")

    if isinstance(axs, np.ndarray):
        for idx, ax in np.ndenumerate(axs):
            _single(ax)
    else:
        _single(axs)

plt.figure(figsize = (10,6))
ax = sns.barplot(x='рейтинг', y='название', data=rating, estimator=sum,
             palette='Set2')

show_values(ax, 'h')

ax.set_title('График рейтинга сетевых заведений')
ax.set_xlabel('Сетевые заведения')
ax.set_ylabel('Количество')

plt.show()

Кроме самых высоких оценок баров, пабов, а самых низких у кафе и заведений быстрого питания можно сказать, что распределение довольно равное.

rating=data.pivot_table(index='district',values='rating',aggfunc='mean') \
.sort_values(by='rating',ascending=False).reset_index()
round(rating,2)

	district	rating
0	Центральный административный округ	4.38
1	Северный административный округ	4.24
2	Северо-Западный административный округ	4.21
3	Южный административный округ	4.18
4	Западный административный округ	4.18
5	Восточный административный округ	4.17
6	Юго-Западный административный округ	4.17
7	Северо-Восточный административный округ	4.15
8	Юго-Восточный административный округ	4.10

Лидер по рейтингу среди районов - Центральный 4.38. Самые низкие оценки у Юго-восточного 4.10.

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=9)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=rating,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlGnBu',
    fill_opacity=0.8,
    legend_name='Средний рейтинг заведений по районам',
).add_to(m)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

В центральном районе самые высокие оценки, также на северо-западе Москвы заведения имеют хорошие оценки, когда противоположные районы Юго-восточного направления наоброт.

# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
data.apply(create_clusters, axis=1)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

По маркерам можно сказать, что заведения расположены не равномерно. Большинство находится в центре и западных районах.

Заключительный общий анализ

Топ 15 улиц

top_15_street=data.groupby('street')['index'].nunique() \
.sort_values(ascending=False).reset_index().head(15)
top_15_street=top_15_street.rename(columns = {'street':'название','index':'количество'})
top_15_street

	название	количество
0	проспект Мира	184
1	Профсоюзная улица	122
2	Ленинский проспект	107
3	проспект Вернадского	97
4	Ленинградский проспект	95
5	Дмитровское шоссе	88
6	Каширское шоссе	77
7	Варшавское шоссе	76
8	Ленинградское шоссе	70
9	МКАД	65
10	Люблинская улица	60
11	улица Вавилова	55
12	Кутузовский проспект	53
13	Пятницкая улица	48
14	улица Миклухо-Маклая	47

Наибольшее количество заведений находится на улицах: проспект Мира- 184, Профсоюзная улица - 122 заведение, Ленинский проспект -107. Это большие, связующие улицы, которые соединяют края Москвы с центром. На них располагается много университетов, станций метро и тд. Эти улицы с большим потоком транспорта и людей.

street_category=data.groupby(['street','category'])['cnt'].sum() \
.reset_index().sort_values(by='cnt',ascending=False)
street_category=street_category.rename(columns = {'street':'название','category':'категория','cnt':'количество'})
street_category.head(10)

	название	категория	количество
2859	проспект Мира	кафе	53
2862	проспект Мира	ресторан	45
1379	МКАД	кафе	45
2860	проспект Мира	кофейня	36
1988	Профсоюзная улица	кафе	35
1294	Ленинский проспект	ресторан	33
2847	проспект Вернадского	ресторан	29
1286	Ленинградское шоссе	ресторан	26
1362	Люблинская улица	кафе	26
1291	Ленинский проспект	кафе	26

top_15_street_category=street_category[street_category['название'].isin(top_15_street['название'])]
top_15_street_category=top_15_street_category.rename(columns = {'street':'название','category':'категория','cnt':'количество'})
top_15_street_category.head(10)

	название	категория	количество
2859	проспект Мира	кафе	53
2862	проспект Мира	ресторан	45
1379	МКАД	кафе	45
2860	проспект Мира	кофейня	36
1988	Профсоюзная улица	кафе	35
1294	Ленинский проспект	ресторан	33
2847	проспект Вернадского	ресторан	29
1286	Ленинградское шоссе	ресторан	26
1362	Люблинская улица	кафе	26
1291	Ленинский проспект	кафе	26

По категориям видно,что на этих улицах преобладают рестораны и кафе. При этом на проспекте Мира много кофеен.

fig = px.bar(top_15_street_category,x='количество',y='название',color='категория',
            title='Топ 15 улиц по количеству заведений')

fig.show()

В целом на улицах преобладают рестораны и кафе. Стоит заметить, что на самых больших улицах по количеству заведений много кофеен. Однако большое количество объектов питания на этих улицах можно объяснить их размером.

Улицы с одним заведением

data.shape

(8375, 18)

one_place=data.groupby('street')['cnt'].sum().reset_index()
one_place=one_place[one_place['cnt']==1]
one_place

	street	cnt
0	1-й Автозаводский проезд	1
1	1-й Балтийский переулок	1
2	1-й Варшавский проезд	1
3	1-й Вешняковский проезд	1
5	1-й Голутвинский переулок	1
...	...	...
1436	улица Шкулёва	1
1437	улица Шкулёва 4	1
1439	улица Шухова	1
1442	улица Юннатов	1
1447	№ 7	1

458 rows × 2 columns

Улиц с одним заведением довольно много - 458

one_place_info=data[data['street'].isin(one_place['street'])]
one_place_info.head()

	index	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24/7	cnt
15	15	дом обеда	столовая	Москва, улица Бусиновская Горка, 2	Северный административный округ	пн-пт 08:30–18:30; сб 10:00–20:00	55.885890	37.493264	4.1	средние	Средний счёт:300–500 ₽	400.0	NaN	несетевое	180.0	улица Бусиновская Горка	False	1
21	21	7/12	кафе	Москва, Прибрежный проезд, 7	Северный административный округ	ежедневно, 10:00–22:00	55.876805	37.464934	4.5	NaN	NaN	NaN	NaN	несетевое	NaN	Прибрежный проезд	False	1
25	25	в парке вкуснее	кофейня	Москва, парк Левобережный	Северный административный округ	ежедневно, 10:00–21:00	55.878453	37.460028	4.3	NaN	NaN	NaN	NaN	сетевое	NaN	парк Левобережный	False	1
58	58	coffeekaldi's	кофейня	Москва, Угличская улица, 13, стр. 8	Северо-Восточный административный округ	ежедневно, 09:00–22:00	55.900316	37.570558	4.1	средние	Средний счёт:500–800 ₽	650.0	NaN	сетевое	NaN	Угличская улица	False	1
60	60	чебуречная история	кофейня	Москва, ландшафтный заказник Лианозовский	Северо-Восточный административный округ	ежедневно, 10:00–22:00	55.899845	37.570488	4.9	NaN	NaN	NaN	NaN	сетевое	NaN	ландшафтный заказник Лианозовский	False	1

one_place_info.groupby('category')['cnt'].sum().sort_values()

category
булочная             8
пиццерия            15
быстрое питание     23
столовая            36
бар,паб             39
кофейня             84
ресторан            93
кафе               160
Name: cnt, dtype: int64

На улицах, где расположено всего одно заведение больше всего кафе - 160, далее идут рестораны (93) и кофейни (84).

one_place_info.groupby('district')['cnt'].sum().sort_values()

district
Юго-Западный административный округ         18
Северо-Западный административный округ      19
Западный административный округ             35
Юго-Восточный административный округ        39
Южный административный округ                43
Восточный административный округ            52
Северный административный округ             52
Северо-Восточный административный округ     55
Центральный административный округ         145
Name: cnt, dtype: int64

Оснавная доля таких заведений расположена в центральном районе. Скорее всего это связано с отсутствием места на улицах для других заведений, а так же премиальностью заведений.

one_place_info.groupby('chain')['cnt'].sum()

chain
несетевое    325
сетевое      133
Name: cnt, dtype: int64

Несетевых одиночных заведений больше чем в два раза.

one_place_cat_district=one_place_info.groupby(['district',
                                               'category'])['cnt'].sum().reset_index()\
.sort_values(by='cnt',ascending=False)
fig = px.bar(one_place_cat_district,x='cnt',y='district',color='category',
            title='Топ заведений по категориям на одиночных улицах')

fig.show()

Больше всего одиночных заведений - кафе. Однако в некоторых районах довольно много одиночных кафеен или ресторанов.

Средний чек

district_price=data.groupby('district')['middle_avg_bill'].median()
district_price.reset_index().sort_values(by='middle_avg_bill',ascending=False)

	district	middle_avg_bill
1	Западный административный округ	1000.0
5	Центральный административный округ	1000.0
4	Северо-Западный административный округ	700.0
2	Северный административный округ	650.0
7	Юго-Западный административный округ	600.0
0	Восточный административный округ	550.0
3	Северо-Восточный административный округ	500.0
8	Южный административный округ	500.0
6	Юго-Восточный административный округ	450.0

Самые большие значения среднего чека в районах: центральный, западный и северо-западный. Это связано с тем, что там расположены наиболее дорогие районы Москвы.

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=9)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=district_price,
    columns=['district', 'middle_avg_bill'],
    key_on='feature.name',
    fill_color='YlGnBu',
    fill_opacity=0.8,
    legend_name='Средний чек заведений по районам',
).add_to(m)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

Стоит отметить, что большие значения среднего чека в районах: центральный и западный, могут быть связаны с зарплатами в этих районах. Например в западном районе расположен деловой центр, с большим количеством офисов.

Заканомерности рейтинга

rating_bill=data.groupby(['rating','category'])['middle_avg_bill'].median().reset_index()
min_rating_bill = rating_bill.sort_values(by='rating',ascending=True).head(15)
min_rating_bill

	rating	category	middle_avg_bill
0	1.0	кафе	4500.0
1	1.0	пиццерия	NaN
2	1.0	ресторан	NaN
3	1.0	столовая	NaN
4	1.1	бар,паб	NaN
5	1.1	быстрое питание	NaN
6	1.1	кафе	NaN
7	1.1	ресторан	NaN
8	1.2	кафе	NaN
13	1.3	ресторан	NaN
12	1.3	кафе	NaN
14	1.3	столовая	NaN
10	1.3	булочная	NaN
9	1.3	бар,паб	NaN
11	1.3	быстрое питание	NaN

Можно заметить, что самый низкий рейтинг получили заведения, где не указан средний чек.

fig = px.bar(rating_bill,x='rating',y='middle_avg_bill',color='category',
            title='Распределение рейтинга по категориям по районам')

fig.show()

По графику можно сказать, что в целом, чем выше значение среднего чека у заведения, тем выше рейтинг. Однако на рейтинге 3 виден скачок. Возможно это говорит о завышении цены или предоставлении услуг не соответствующих цене, поэтому оценка занижена. Также, видно что люди неохотно ставят наивысшую оценку 5. Много низких оценок у кафе.

Заканомерности часов работы

place_24=data.groupby('district')['is_24/7'].sum().reset_index()
place_all = data.groupby('district')['is_24/7'].count().reset_index()

place_24['percent_24']=place_24['is_24/7']/place_all['is_24/7']*100
round(place_24.sort_values(by='is_24/7',ascending=False),2)

	district	is_24/7	percent_24
5	Центральный административный округ	131	5.84
0	Восточный административный округ	97	12.26
6	Юго-Восточный административный округ	93	13.03
3	Северо-Восточный административный округ	75	8.42
8	Южный административный округ	75	8.42
7	Юго-Западный административный округ	73	10.33
2	Северный административный округ	71	7.90
1	Западный административный округ	70	8.42
4	Северо-Западный административный округ	43	10.51

Больше всего круглосуточных заведений в центре города.

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=9)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=place_24,
    columns=['district', 'is_24/7'],
    key_on='feature.name',
    fill_color='YlGnBu',
    fill_opacity=0.8,
    legend_name='Количество круглосуточных заведений по районам',
).add_to(m)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

Лидеры по круглосуточным заведениям центр и северо-восточная части.

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=9)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=place_24,
    columns=['district', 'percent_24'],
    key_on='feature.name',
    fill_color='YlGnBu',
    fill_opacity=0.8,
    legend_name='Соотношение круглосуточных к не круглосуточным заведениям по районам',
).add_to(m)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

Из соотношения круглосутчных к некруглосуточным видно что провал в центре Москвы. Не учитывая центр, поскольку там много отдыхающих и круглосуточных заведений, можно сказать, что в ночное время суток большинство людей находится в спальных районах, соответственно такие районы более активны в ночное время суток по соотношению к некруглосуточным заведениям.

place_24_category=data.groupby('category')['is_24/7'].sum().reset_index()
place_24_category.sort_values(by='is_24/7',ascending=False)

	category	is_24/7
3	кафе	267
2	быстрое питание	150
6	ресторан	133
4	кофейня	59
0	бар,паб	52
5	пиццерия	31
1	булочная	24
7	столовая	12

Больше всего круглосуточных кафе, ресторанов и заведений быстрого питания.

category_price=data.groupby('category')['middle_avg_bill'].median()
category_price.reset_index().sort_values(by='middle_avg_bill',ascending=False)

	category	middle_avg_bill
0	бар,паб	1250.0
6	ресторан	1250.0
5	пиццерия	600.0
3	кафе	550.0
1	булочная	450.0
4	кофейня	400.0
2	быстрое питание	375.0
7	столовая	300.0

Самые высокие средние чеки в барах и ресторанах.

Больше всего в Москве кафе, их 2378, далее идут рестораны, со значением 2042. Третье место занимают кофейни - 1413. Остальных категорий заметно меньше. Наибольшее количество посадочных мест в ресторанах, барах и кофейнях (около 100). Сетевых Сетевых заведений 5182, а несетевых 3193. Несетевых ресторанов, кафе, баров и столовых почти в два раза больше чем сетевых. Пиццерий, булочных и кофеен больше сетевых. Что касается ресторанов быстрого питания, в них преобладают несетевые заведения. Самые популярные сети: Шоколадница (118 заведение), доминос пицца(76 заведение), додо пицца(74 заведение), яндекс лавка (71) и one price coffe(70 заведение). По категориям можно сказать, что самые большое количество заведений из сетевых у кофеен. В распределении по районам видно, что в центральном районе наибольшее количество заведений, в особенности ресторанов, кафе, кофеен и баров. В остальных районах кафе и рестораны. Также большое количество кофеен в северном, северо-восточном, южном и западном районах. Самые высокие средние оценки у баров, пабов - 4.39, когда самые низкие у заведений быстрого питания - 4.05. Лидер по рейтингу среди районов - Центральный 4.38. Самые низкие оценки у Юго-восточного 4.10. Наибольшее количество заведений находится на улицах: проспект Мира- 184, Профсоюзная улица - 122 заведение, Ленинский проспект -107. Улиц с одним заведением довольно много - 458. На улицах, где расположено всего одно заведение больше всего кафе - 160, далее идут рестораны (93) и кофейни (84). Оснавная доля таких заведений расположена в центральном районе. Несетевых одиночных заведений больше чем в два раза. Самые большие значения среднего чека в районах: центральный, западный и северо-западный. Это связано с тем, что там расположены наиболее дорогие районы Москвы. Больше всего круглосуточных заведений в центре города, кафе, ресторанов и заведений быстрого питания.

Детализация исследования: открытие кофейни

Общие количество кофеен и по районам

data_cafe=data.query('category=="кофейня"')

data_cafe['index'].count()

1408

Всего 1408 кофеен в Москве.

cafe_district=data_cafe.groupby('district')['cnt'].sum().sort_values(ascending=False)
cafe_district.reset_index()

	district	cnt
0	Центральный административный округ	428
1	Северный административный округ	193
2	Северо-Восточный административный округ	159
3	Западный административный округ	146
4	Южный административный округ	131
5	Восточный административный округ	104
6	Юго-Западный административный округ	96
7	Юго-Восточный административный округ	89
8	Северо-Западный административный округ	62

Больше всего кофеен в центральном административном округе - 428.

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=9)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=cafe_district,
    columns=['district', 'cnt'],
    key_on='feature.name',
    fill_color='YlGnBu',
    fill_opacity=0.8,
    legend_name='Распределение кофеен по районам',
).add_to(m)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

В центре концентрация кофеен значительно выше, чем в других районах, так же стоит выделить север Москвы.

# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
data_cafe.apply(create_clusters, axis=1)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

По маркерам видно, что основная зависимость в расположении кафеен связана с людским трафиком.

Круглосуточные кофейни

data_cafe.groupby('is_24/7')['cnt'].sum()

is_24/7
False    1349
True       59
Name: cnt, dtype: int64

Круглосуточных кафеен крайне мало по сравнению с некруглосуточными. 76 круглосуточная и 1332 нет. Это может говорить о неактуальности продукта в ночное время суток.

cafe_24=data_cafe.groupby(['district','is_24/7'])['cnt'].sum().reset_index()
cafe_24

	district	is_24/7	cnt
0	Восточный административный округ	False	99
1	Восточный административный округ	True	5
2	Западный административный округ	False	137
3	Западный административный округ	True	9
4	Северный административный округ	False	188
5	Северный административный округ	True	5
6	Северо-Восточный административный округ	False	156
7	Северо-Восточный административный округ	True	3
8	Северо-Западный административный округ	False	60
9	Северо-Западный административный округ	True	2
10	Центральный административный округ	False	402
11	Центральный административный округ	True	26
12	Юго-Восточный административный округ	False	88
13	Юго-Восточный административный округ	True	1
14	Юго-Западный административный округ	False	89
15	Юго-Западный административный округ	True	7
16	Южный административный округ	False	130
17	Южный административный округ	True	1

fig = px.bar(cafe_24,x='cnt',y='district',color='is_24/7',
            title='Количество 24/7 и не 24/7 кафеен по районам')

fig.show()

Наиболее распространены круглосуточные кофейни в центре. Стоит отметить, что практически нет круглосуточных кофеен в юго-восточном округе.

Рейтинг кофеен

rating_cafe=data.groupby('district')['rating'].mean().reset_index()
round(rating_cafe,2)

	district	rating
0	Восточный административный округ	4.17
1	Западный административный округ	4.18
2	Северный административный округ	4.24
3	Северо-Восточный административный округ	4.15
4	Северо-Западный административный округ	4.21
5	Центральный административный округ	4.38
6	Юго-Восточный административный округ	4.10
7	Юго-Западный административный округ	4.17
8	Южный административный округ	4.18

Рейтинг по районам примерно равный.

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=9)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=rating_cafe,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlGnBu',
    fill_opacity=0.8,
    legend_name='Средний рейтинг кофеен по районам',
).add_to(m)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

Центральный округ лидер по рейтингу кофеен, далее идет северо-западная часть Москвы.

Средняя стоимость одной чашки кофе

data_cafe['middle_coffee_cup'].describe()

count     520.000000
mean      174.900000
std        89.769012
min        60.000000
25%       124.000000
50%       169.500000
75%       225.000000
max      1568.000000
Name: middle_coffee_cup, dtype: float64

1568 рублей за чашку довольно много. Проверим на выбросы.

plt.figure(figsize = (10,6))
ax = sns.boxplot(x='middle_coffee_cup', data=data_cafe)

ax.set_title('График выбросов по стоимости одной чашки кофе')
ax.set_xlabel('Стоимость')
plt.show()

Всего одно значение, скорее всего это ошибка. Избавляемся.

data_cafe[data_cafe['middle_coffee_cup']>600]

	index	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24/7	cnt
2858	2859	шоколадница	кофейня	Москва, Большая Семёновская улица, 27, корп. 1	Восточный административный округ	ежедневно, 08:00–23:00	55.782268	37.709022	4.2	средние	Цена чашки капучино:230–2907 ₽	NaN	1568.0	сетевое	48.0	Большая Семёновская улица	False	1

data_cafe=data_cafe[data_cafe['index']!=2859]

middle_coffe_cup = data_cafe.groupby('district')['middle_coffee_cup'].median().reset_index()
middle_coffe_cup.sort_values(by='middle_coffee_cup',ascending=False)

	district	middle_coffee_cup
7	Юго-Западный административный округ	198.0
5	Центральный административный округ	190.0
1	Западный административный округ	187.0
4	Северо-Западный административный округ	165.0
3	Северо-Восточный административный округ	162.5
2	Северный административный округ	159.0
8	Южный административный округ	150.0
6	Юго-Восточный административный округ	147.5
0	Восточный административный округ	135.0

Самое дорогое кофе в юго-западном административном округе 198р. Далее идет Центральный и западный округа. 190-187р.

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=9)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=middle_coffe_cup,
    columns=['district', 'middle_coffee_cup'],
    key_on='feature.name',
    fill_color='YlGnBu',
    fill_opacity=0.8,
    legend_name='Средний рейтинг кофеен по районам',
).add_to(m)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

Юго-Западное и Центральное направление наиболее перспективное в плане выручки.

Определение места для кофейни

data_uzao=data_cafe[data_cafe['district']=='Юго-Западный административный округ']

# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
data_uzao.apply(create_clusters, axis=1)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

Стоит присмотреться к Юго-Западному округу, поскольку конкуренция здесь будет не такой большой и цены на чашку кофе здесь самые высокие, что перспективно как для выручки, так и для конкурентноспособности. Можно заметить полное отсутсвие кофеен в районе Ленинского проспекта.

# сохраняем координаты выбранного места в переменные
place_lat, place_lng = 55.653587, 37.500448

place_type = 'Рекомендуемое место'

# создаём карту с центром в точке расположения мместа и начальным зумом 17
m = folium.Map(location=[place_lat, place_lng],\
               zoom_start=17)

folium.Marker([place_lat, place_lng],\
              tooltip=place_type,\
              popup='Кофейня')\
              .add_to(m)


# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

Я считаю перспективным около Ленинского проспекта, напротив Университета РУДН. Тут нет конкурентов и большой поток людей, в особенности студентов, которые будут отдыхать в перерывах от занятий или собираться в конце дня. В этой точке присутсвует несколько кафе, но тем не менее в своей сфере будет легко завоевать внимание.

Общий вывод

1. На этапе обзора и загрузки обнаружено: В таблице присутствуют 5614 заведений, 8 категорий и 9 районов. Обнаружено много пропусков. Это связано с тем, что информация, могла быть добавлена пользователями или найдена в общедоступных источниках. Мы не можем их заполнить корректно, но и удалить их нельзя т.к. это сильно исказит анализ. Оставим пропуски в таблице. Явных дубликатов необнаружено.
2. На этапе предобработки удалось найти один неявный дубликат в таблице, его убрали. Создан новый столбец с круглосуточной работой заведения и столбец с названием улицы. Столбец с обозначение сетевых мест переименован для удобства.
3. Анализ: Больше всего в Москве кафе - 2378, далее идут рестораны - 2042, кофейни - 1413. Наибольшее количество посадочных мест в ресторанах, барах и кофейнях (около 100). Сетевых Сетевых заведений 5182, а несетевых 3193. Несетевых ресторанов, кафе, баров и столовых почти в два раза больше чем сетевых. Пиццерий, булочных и кофеен больше сетевых, ресторанов быстрого питания, больше несетевых. Самые популярные сети: Шоколадница (118 заведение), доминос пицца(76 заведение), додо пицца(74 заведение), яндекс лавка (71) и one price coffe(70 заведение). По категориям можно сказать, что самые большое количество заведений из сетевых у кофеен. В распределении по районам видно, что в центральном районе наибольшее количество заведений, в особенности ресторанов, кафе, кофеен и баров. В остальных районах кафе и рестораны. Также большое количество кофеен в северном, северо-восточном, южном и западном районах. Самые высокие средние оценки у баров, пабов - 4.39, когда самые низкие у заведений быстрого питания - 4.05. Лидер по рейтингу среди районов - Центральный 4.38. Самые низкие оценки у Юго-восточного 4.10. Наибольшее количество заведений находится на улицах: проспект Мира- 184, Профсоюзная улица - 122 заведение, Ленинский проспект -107. Это большие, связующие улицы, которые соединяют края Москвы с центром. На них располагается много университетов, станций метро и тд. Эти улицы с большим потоком транспорта и людей. Улиц с одним заведением довольно много - 458. На улицах, где расположено всего одно заведение больше всего кафе - 160, далее идут рестораны (93) и кофейни (84). Оснавная доля таких заведений расположена в центральном районе. Несетевых одиночных заведений больше чем в два раза. Самые большие значения среднего чека в районах: центральный, западный и северо-западный. Это связано с тем, что там расположены наиболее дорогие районы Москвы. Больше всего круглосуточных заведений в центре города, кафе, ресторанов и заведений быстрого питания.
4. На этапе детолизации установлено: Всего 1408 кофеен в Москве. Больше всего кофеен в центральном административном округе - 428. В центре концентрация кофеен значительно выше, чем в других районах, так же стоит выделить север Москвы. Рейтинг по районам примерно равный, но Центральный округ лидер по рейтингу кофеен. Самое дорогое кофе в юго-западном административном округе 198р. Далее идет Центральный и западный округа. 190-187р. На основе анализа, мной было принято присмотреться к Юго-Западному округу, поскольку конкуренция здесь будет не такой большой и цены на чашку кофе здесь самые высокие, что перспективно как для выручки и для конкуренции. Можно заметить полное отсутсвие кофеен в районе Ленинского проспекта. Поэтому я выбрал точку напротив Университета РУДН, где большая проходимость.

Презентация

Презентация: https://drive.google.com/file/d/14pEzCN4BL59IMzgnfO1NDDoN0Av4Bre-/view?usp=drive_link